salmonHan/record-test_20260528_011736

该数据集使用LeRobot工具创建，专注于机器人学领域，具体针对SO Follower机器人类型。数据集包含一个总集，共1797帧，帧率为30fps，数据以parquet文件格式存储，并附带视频文件。数据集结构包括动作特征（如肩部、肘部、腕部和夹爪的位置）、观测状态（与动作特征相同）、前端摄像头图像观测（分辨率为720x1280的RGB视频）、时间戳、帧索引、集索引、索引和任务索引等。数据文件总大小为100MB，视频文件总大小为200MB，适用于机器人控制和视觉任务训练。This dataset was created using LeRobot and focuses on robotics, specifically for the SO Follower robot type. It contains one total episode with 1797 frames at a frame rate of 30fps, stored in parquet format along with video files. The dataset structure includes action features (e.g., positions of shoulder, elbow, wrist, and gripper), observation states (same as action features), front camera image observations (RGB video with 720x1280 resolution), timestamps, frame indices, episode indices, indices, and task indices. The total data file size is 100MB, and video file size is 200MB, suitable for robot control and vision task training.

搜集汇总

数据集介绍

构建方式

该数据集依托于LeRobot开源机器人学习框架构建，针对so_follower机器人类型采集而成。数据存放格式采用Parquet与MP4相结合的方式，前者存储高维结构化动作与状态数据，后者保存机器人观测图像。数据集包含1个完整Episode，共计1797帧，并按训练/验证划分仅含训练子集。构建时设置了1000帧的数据块大小，以支持高效流式读取。

特点

数据集具备多模态融合特性，涵盖6维动作指令（如关节位置、夹爪状态）及对应6维本体感知状态，同时配备分辨率高达1280×720、帧率30 FPS的前置摄像头视频流。视频编码采用AV1格式，兼具高压缩率与画质保留。数据经过结构化存储，特征字段清晰，支持时序对齐与索引追溯，适合用于模仿学习与机器人操控策略研究。

使用方法

用户可通过LeRobot库轻松加载该数据集，利用其提供的可视化界面在线预览数据集内容。在代码中，可直接调用LeRobot的Dataset接口读取Parquet文件与视频数据，借助标准化的特征名称（如action、observation.state、observation.images.front）实现动作与观测的对齐。数据集按帧与Episode组织，适用于构建序列建模或端到端机器人控制模型的数据管道。

背景与挑战

背景概述

该数据集由salmonHan团队于2026年5月28日创建，基于Hugging Face LeRobot平台构建，核心研究问题聚焦于机器人操作技能的模仿学习。数据集采用so_follower型机器人平台，记录了6自由度关节空间的动作与状态数据，并包含1280×720分辨率的前置摄像头视频流。作为机器人学习领域的轻量级基准，其Apache-2.0许可协议和标准化Parquet+MP4存储格式降低了研究门槛，为小样本模仿学习、人机交互策略迁移等方向提供了可复现的验证基础。

当前挑战

该数据集面临的领域挑战在于：机器人操作技能从示范中泛化至真实环境时，面临动作策略与视觉感知的耦合稀疏性问题，单集演示（仅1个轨迹）难以覆盖复杂任务的状态空间。构建过程中，数据采集受限于so_follower机器人的运动精度和机械磨损，且30FPS的采样率在高速操作时可能导致动作截断；此外，AV1编码的视频虽节省空间，但解码延迟可能影响实时学习系统的处理效率，而单视角观测易遗漏深度和触觉信息，加剧了策略对光照和背景变化的脆弱性。

常用场景

经典使用场景

在机器人学习与模仿学习的交汇领域，record-test_20260528_011736数据集以其精细的遥操作操控记录，成为研究从人类演示中学习复杂运动技能的经典基石。该数据集包含一台so_follower机械臂在单任务、多帧下的连续动作与状态序列，涵盖肩部、腕部及夹爪等多维关节控制信息，并结合高分辨率视觉观测，为行为克隆、逆强化学习等算法提供了完整的专家演示轨迹。研究者常借此探索如何将有限演示高效泛化至新初始条件或动态环境中，推动具身智能体在精细操作任务上的学习效率与鲁棒性提升。

解决学术问题

该数据集的核心学术贡献在于为机器人领域的样本效率与泛化性困境提供了可量化的实验平台。传统强化学习在高维连续动作空间中常面临探索成本高昂与稀疏奖励问题，而record-test_20260528_011736通过提供高保真的专家轨迹，使得研究者能够聚焦于如何从少量演示中提取可迁移的策略表征。它解决了从视觉输入到关节力矩映射的因果混淆难题，支持了跨任务、跨场景的表示学习研究，其结构化的数据格式亦为多模态融合与时间序列建模提供了标准化基准，推动了模仿学习理论与机器人控制理论的交叉融合。

衍生相关工作

围绕该数据集的结构特性，衍生出了一系列标志性研究。LeRobot框架本身即构建于此范式之上，专注于简化机器人学习的数据处理与模型训练流程。相关工作包括基于扩散策略的动作生成模型，利用该数据集的连续动作分布进行去噪概率建模；以及采用Transformer架构的决策预训练模型，通过序列化观测与动作来捕捉长期依赖。此外，该数据集还催生了多视角视觉融合与域随机化增强方法的研究，推动了从单一演示到复杂仿真环境的迁移学习，成为审视算法在真实硬件上部署效果的可靠沙盒。